随着空间信息科学理论与技术的深入研究和广泛应用，遥感技术的应用已渗透到人类生存的自然环境、国防技术、国民经济和社会生活的各个方面，在人类赖以生存的生产与生活中起着举足轻重的作用。于是，作为遥感应用技术中的基础工作，遥感图像分类的作用显得日益重要，如何高效率、高精度、高自动化程度地提取遥感图像中的专题信息成为了各遥感信息应用系统的关键技术，甚至是瓶颈技术。　　 首先，本文概述了遥感图像分类的基本框架，针对其中关键的遥感图像特征提取，提出了分层的概念，从抽象层、方法层和特征层三方面，对前人在遥感图像特征提取的研究进行了综述，将抽象层中现有的方法分成了四类，探讨了各类存在的不足。另一方面，从认知科学的角度，介绍了人类对视觉信息处理的神经信息科学和认知心理学基础，重点介绍了认知心理学对人类视觉系统工作原理，包括视觉注意、特征提取、特征整合理论等的有关研究成果。　　 借鉴认知科学关于视觉信息处理的研究成果，并针对已有的特征提取方法的不足，本文提出了形状自适应邻域（SAN）的概念，给出了形状自适应邻域和像素异质性的定义，又基于视觉注意机制的过滤器模型和衰减模型，给出了两种确定形状自适应邻域的方法。通过对像素异质性阈值的确定进行实验和分析，给出了确定像素异质性阈值的经验曲线。接着，基于地统计学分析中的变异函数，采用形状因子等各种形状描述算子，分别对形状自适应邻域的纹理特征和形状特征进行提取，借鉴认知心理学中的特征整合理论，提出了形状有效性的概念，从数据融合的角度对形状自适应邻域的各种特征进行融合。　　 将形状自适应邻域的特征提取方法应用于遥感图像分类，采用经典的最大似然估计分类器对遥感图像的SAN特征进行分类。在分类精度评估上，据已有的采样理论，在随机采样和聚类采样的基础上，提出一种二次采样的采样框架，对基于形状自适应邻域的遥感图像分类结果进行评估。实验结果表明，形状自适应邻域方法可有效地提取遥感图像的各种特征，有助于提高遥感图像的分类精度。